从无聚类神经脉冲序列中学习预测性潜在结构
Learning predictive latent structure from unclustered neural spike trains
预印本 · 尚未经过同行评审
现有潜在变量方法常得到难以解释的变量,且依赖会限制准确性和时间分辨率的预处理。作者提出无监督方法 C3PO,直接从连续时间的神经脉冲数据学习预测性、可解释的潜在表征,训练时不需要已知潜在变量。该方法在多个数据集上还原了与已知潜在变量相关的结构,识别出从数十毫秒到数小时的动态,并揭示了此前未报道的表征及其动态。原文为预印本,尚未经同行评审。
C3PO 直接从连续时间的神经脉冲序列学习可解释的预测性潜在变量,无需脉冲分选或分箱,并在多个数据集上还原已知潜在变量结构。
神经活动模式使感知、思维和行动成为可能。理解这些能力的一种有力方法是识别低维、可解释的潜变量,这些潜变量能够捕捉活动模式、它们所表征的信息以及它们所支持的计算之间的关系。然而,当前方法往往产生难以解释的变量,并且需要数据预处理,这限制了其准确性和时间分辨率。在此,我们提出点过程观测的对比预测(Contrastive Prediction of Point Process Observations,C3PO),这是一种无监督方法,可直接从连续时间神经脉冲中学习具有预测性、可解释的潜变量表征,无需进行脉冲分类或分箱。C3PO 在多种数据集中恢复了与已知潜变量相关的结构,而训练过程中并未接触这些变量。它能够识别从数十毫秒到小时量级的时间尺度上的动态,并揭示此前未报道的表征及其动态。这些结果确立了 C3PO 作为在高维点过程数据集中揭示可解释结构的强大工具。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org